Les systèmes complexes, qu'il s'agisse de conceptions aéronautiques ou de modèles socio-environnementaux, nécessitent des simulations coûteuses et souvent opaques, qualifiées de "boîtes noires". Cette présentation est axée sur la Surrogate Modeling Toolbox (SMT), un outil open-source permettant d'entraîner des émulateurs statistiques légers pour contourner ce coût de calcul élevé. Nous détaillerons comment SMT gère désormais les espaces de conception hétérogènes, avec des variables mixtes (continues et catégorielles) et des structures hiérarchiques conditionnelles (smt-design-space-ext). Nous montrerons ensuite comment ces modèles de substitution agissent comme un tremplin vers l'IA explicable (XAI) via smt-explainability, l'apprentissage actif et l'optimisation. Enfin, nous illustrerons ces méthodes sur des cas d'optimisation multidisciplinaire et ouvrirons la discussion sur leur application aux systèmes à base d'agents (ABM) pour l'analyse de politique via les systèmes complexes socio-technique et leur simulation sur la plateforme open-source GAMA.

Courte biographie : Jeune Docteur, Paul Saves est actuellement chercheur post-doctoral à l'Université Toulouse Capitole au sein de l'équipe SMAC de l'IRIT. Ses recherches se situent à l'interface entre statistiques, analyse numérique et informatique. Il développe des méthodes d'IA frugale et explicable pour explorer les systèmes complexes via des modèles et des simulations. Ces travaux portent sur le couplage entre simulations, modèles de substitution, optimisation boîte noire et interprétabilité pour l'aide à la décision. Contributeur majeur de la bibliothèque open-source SMT pour les modèles de substitution, il développe et implémente de nouvelles méthodes mathématiques au sein d'outils en source ouverte.